XiaoMi-AI文件搜索系统
World File Search System成像
生成量子颜色成像-CVF开放访问
单光摄像机的惊人发展为科学和工业成像创造了前所未有的机会。但是，这些1位传感器通过这些1位传感器进行的高数据吞吐量为低功率应用创造了重要的瓶颈。在本文中，我们探讨了从单光摄像机的单个二进制框架生成颜色图像的可能性。显然，由于暴露程度的差异，我们发现这个问题对于标准色素化方法特别困难。我们论文的核心创新是在神经普通微分方程（神经ode）下构建的暴露合成模型，它使我们能够从单个观察中产生持续的暴露量。这种创新可确保在Col-Orizers进行的二进制图像中保持一致的曝光，从而显着增强了着色。我们演示了该方法在单图像和爆发着色中的应用，并显示出优于基准的生成性能。项目网站可以在https://vishal-s-p.github.io/projects/ 2023/generative_quanta_color.html
用于脑血流成像的 FACED 提升术
活细胞需要能量，有些细胞比其他细胞需要更多能量。有些细胞的代谢率在几秒钟内从最小变为最大，而有些细胞则是无底洞，需要无节制地持续供应能量。能量底物和氧气的供应以及代谢废物的清除是通过复杂的血管网络来维持的，富含葡萄糖的血浆和充满氧气的红细胞 (RBC) 就是通过血管网络运输的。能量代谢的变化是诊断和监测组织疾病的常用指标，这一事实进一步强调了深入了解能量供应的重要性。大脑也不例外，但它有许多特殊功能和未解之谜。能量需求大约比身体每体积的平均能量需求高出一个数量级。最重要的是，由于大脑的能量储存能力有限，因此必须持续供应氧气和葡萄糖。供应中断几分钟就会对脑细胞造成不可逆转的损害。因此，大脑使用复杂的调节系统来控制其能量供应，该系统涉及壁细胞以及神经元和神经胶质细胞。更清楚地了解单个血管和整个脉管系统水平的血流变化对于揭示这个相互关联的系统如何协调其适应性至关重要。在 PNAS 中，Meng 等人 (1) 介绍了一种强大的超快速方法来改善微血管网络中脑血流的体内测量，这将大大提高双光子显微镜在量化微血管灌注方面的适用性。尽管自 19 世纪末以来我们就知道大脑会局部调节血流以满足局部能量需求的增加 (2, 3)，但潜在的血液动力学过程以及细胞间和细胞内的信号通路仍然很大程度上未被发现（有关最近的综述，请参阅参考文献 4 和 5）。并且，在当前背景下需要强调的是，允许以高空间和时间分辨率测量血流的方法有限，但它们对于产生对血液调节微血管方面的新见解至关重要。由于其重要性，研究人员不断开发和应用各种方法来测量脑血流。这些方法基于不同的模式，例如放射性标记扩散化合物、氢扩散和微电极技术、磁共振成像、光谱、光学相干断层扫描、激光散斑成像，以及最近的聚焦超声和光声成像。其中一些方法已达到黄金标准地位，而其他方法则从地图上消失了。1998 年，Kleinfeld 等人 (6) 引入双光子显微镜来追踪单个红细胞。在接受静脉注射荧光葡聚糖以染色血浆的麻醉小鼠中，通过毛细血管短段的千赫兹线扫描来量化位移
使用预先训练的垂直二维扩散模型改善三维成像
扩散模型由于其众多优点已成为一种流行的图像生成和重建方法。然而，大多数基于扩散的逆问题解决方法仅处理二维图像，即使是最近发表的三维方法也没有充分利用三维分布先验。为了解决这个问题，我们提出了一种新方法，使用两个垂直的预训练二维扩散模型来解决三维逆问题。通过将三维数据分布建模为不同方向切片的二维分布的乘积，我们的方法有效地解决了维数灾难。我们的实验结果表明，我们的方法对于三维医学图像重建任务非常有效，包括 MRI Z 轴超分辨率、压缩感知 MRI 和稀疏视图 CT。我们的方法可以生成适合医疗应用的高质量体素体积。代码可在 https://github.com/hyn2028/tpdm 获得
基于二维稀疏心脏磁共振成像的三维双心室心脏形状重建和建模的神经变形模型
我们提出了一种新颖的神经可变形模型 (NDM)，旨在从二维稀疏心脏磁共振 (CMR) 成像数据中重建和建模心脏的三维双心室形状。我们使用混合可变形超二次曲面对双心室形状进行建模，该超二次曲面由一组几何参数函数参数化，能够进行全局和局部变形。虽然全局几何参数函数和变形可以从视觉数据中捕捉到总体形状特征，但可以学习局部变形（参数化为神经微分同胚点流）来恢复详细的心脏形状。与传统可变形模型公式中使用的迭代优化方法不同，可以训练 NDM 来学习此类几何参数函数、来自形状分布流形的全局和局部变形。我们的 NDM 可以学习以任意尺度加密稀疏心脏点云并自动生成高质量的三角网格。它还可以隐式学习不同心脏形状实例之间的密集对应关系，以实现准确的心脏形状配准。此外，NDM 的参数直观，医生无需复杂的后处理即可使用。大型 CMR 数据集上的实验结果表明，NDM 的性能优于传统方法。
论人工智能在 COVID-19 医学成像中的作用
1 IBM 欧洲研究中心，瑞士苏黎世 2 苏黎世联邦理工学院生物系统科学与工程系，瑞士苏黎世 3 IBM 阿尔马登研究中心，美国加利福尼亚州圣何塞 4 视觉放射学，美国德克萨斯州达拉斯 5 犹他大学健康科学中心放射学和影像科学系，美国犹他州盐湖城 6 塞顿医学中心放射学系，美国加利福尼亚州戴利城 7 阿苏塔医学中心放射学系，以色列特拉维夫 8 本·古里安大学医学院，以色列贝尔谢巴 9 耶路撒冷希伯来大学医学院哈达萨-希伯来大学医学中心放射学系，以色列耶路撒冷 10 盖伊和圣托马斯 NHS 基金会皇家布罗姆普顿和哈里菲尔德医院，英国伦敦 11 切尔西和威斯敏斯特医院，英国伦敦 12 伦敦帝国理工学院国家心肺研究所，英国伦敦 13 布鲁内尔大学健康、医学与生命科学学院伦敦，英国伦敦 14 IBM 海法研究中心，以色列海法 15 耶路撒冷希伯来大学医学院，以色列耶路撒冷 *通信地址：jab@zurich.ibm.com (JB)，beymer@us.ibm.com (DB) https://doi.org/10.1016/j.patter.2021.100269
从检测到消除：基于铁的纳米材料驱动肿瘤成像和晚期疗法
基于铁的纳米材料（INM），由于其特殊的磁性，出色的生物相容性和功能，已在肿瘤诊断和治疗中已发展为强大的工具。我们在此处概述了诸如氧化铁纳米颗粒，元素掺杂纳米复合材料和铁基有机框架（MOFS）等INM如何显示多功能性，以改善肿瘤成像和治疗。在成像方面，INM提高了磁共振成像（MRI）和光声成像（PAI）等技术的灵敏度和准确性，并支持多模式成像平台的开发。关于治疗，INM在高级策略中起着关键作用，例如免疫疗法，磁性高温和协同组合疗法，这些疗法有效地克服了肿瘤诱导的耐药性并降低全身毒性。INM与人工智能（AI）和放射线学的整合进一步扩展了其精确肿瘤识别，治疗优化和扩增治疗监测的能力。INM现在将材料科学与先进的计算和临床创新联系起来，以实现下一代癌症诊断和治疗学。
镜子u-net：将多模式裂变与多任务学习嫁给医学成像中的语义分割
正电子发射断层扫描（PET）和计算的刻录术（CT）通常共同用于检测肿瘤。PET/CT分割模型可以自动化肿瘤的描述，但是，当前的多模式模型不能完全阐明每种模式中的互补信息，因为它们要么串联PET和CT数据，要么在决策水平上融合它们。为了对抗这一点，我们提出了镜像u-net，它通过将多模式表示形式分配到模态特异性的解码器分支和辅助多模态解码器中，以多模态化的方式代替了传统的融合方法。在这些分支上，镜像u-net标志着一个针对每种模式量身定制的任务，以增强单峰特征，同时保留共享表示中的多模式特征。与以前的方法相比使用了其他方法或多任务学习，Mirror U-net将两个范式结合在一个统一的框架中。我们探索各种任务组合，并检查在模型中共享的哪些参数。我们在Autopet PET/CT和多模式MSD Braintumor数据集上评估了Mirror U-NET，证明了其在多模式分段中的有效性并在两个数据集中实现了先进的性能。代码：https：//github.com/zrrrrr1997/ autopet_challenge_mirrorunet
开放访问一系列成像研究（OASIS）：年轻，中年，非痴呆和痴呆的老年人的横截面MRI数据
开放式成像研究（OASIS）是一个旨在使大脑的磁共振成像（MRI）数据集的大脑数据集，可自由使用科学界。通过编译和自由分发MRI数据集，我们希望促进基本和临床神经科学中的未来发现。具体来说，OASIS项目旨在扮演许多角色。首先，绿洲图像和相关措施是持续科学探索的数据集。从整个成人寿命中从有或没有痴呆症的400多个个人获得的一组图像开始，选择了绿洲数据集，以鼓励对高兴趣主题进行研究，并提供对个别实验室难以获取的数据。第二，OASIS数据是研究人员创建和推动分析技术的目标。由于图像是从多个年龄和健康状况的受试者中获取的，因此绿洲数据可用于测试人类大脑各种景观各个范围内技术的鲁棒性和有效性。第三，绿洲数据可以用作相似分析技术的基准目标。标准图像证明了证明和对比方法的共同参考点。通过仔细筛选
雅典娜/宽场成像器仪器背景标题的增强模拟
摘要。宽场成像仪（WFI）是高能天体物理学的高级望远镜（雅典娜）的两种焦平面仪器之一，ESA的下一个大型X射线天文台计划于2030年代初发射。当前的基线光环轨道在L2左右，并且正在考虑太阳 - 地球系统的第二个Lagrangian点。对于潜在的光环轨道，辐射环境，太阳能和宇宙质子，电子和Heions都将影响仪器的性能。对仪器背景的进一步关键贡献是由未关注的宇宙硬X射线背景产生的。重要的是要了解和估算预期的工具背景并研究措施，例如设计模式或分析方法，这可以改善预期的背景水平，以达到具有挑战性的科学要求（<5×10 - 3计数∕ cm 2 ∕ cm 2 kev kev s s in 2至7 kev）。通过考虑到L2处的质子通量的新信息，可以改善Geant4中进行的WFI背景模拟。此外，已对WFI仪器的模拟模型及其在Geant4模拟中采用的周围环境进行了完善，以遵循WFI摄像机的技术开发。©作者。由SPIE发表在创意共享归因4.0未体育许可下。全部或部分分发或复制此工作需要完全归因于原始出版物，包括其DOI。[doi：10.1117/1.jatis.7.3.034001]
tauvid™：第一个用于成像阿尔茨海默氏病tau病理学的FDA批准的宠物示踪剂
摘要 - 专门的深度学习（DL）加速器和神经形态处理器的出现为将深度和尖峰神经网络（SNN）算法应用于医疗保健和生物医学应用的新企业带来了新的机会。这可以促进医学互联网系统（IoT）系统和护理点（POC）设备的进步。在本文中，我们提供了一个教程，描述了如何使用各种技术，包括新兴的回忆设备，可编程的门阵列（FPGA）和互补的金属氧化物半导体（CMOS），可用于开发有效的DL加速器，以解决各种诊断诊断，模式识别的诊断，信号过程和信号过程中的各种问题。此外，我们探讨了尖峰神经形态处理器如何补充其DL对应物以处理生物医学信号。该教程通过应用于医疗保健领域的大量神经网络和神经形态硬件的大量文献进行了研究。我们通过执行将传感器融合信号处理任务与计算机视觉相结合的传感器融合信号处理任务来标记各种硬件平台。在推理潜伏期和能量方面进行了专用神经形态处理器和嵌入AI加速器的比较。最后，我们对领域的分析进行了分析，并分享了各种加速器和神经形态处理器引入医疗保健和生物医学领域的优势，缺点，挑战和机遇的观点。